# 3.7 实验合同：过程式表述与结果式表述

## 要回答的问题

3.7 的论点：把一件事交给 AI，有两种说法。过程式是“做完这几件事，你就算完成了”；结果式是“满足这几条标准，你就算完成了，路径你自己找”。简单任务两种都行，因为你事先列得出那几件事。任务一复杂，事先就列不出能保证结果的步骤，过程式的天花板来自问题的表述，不来自模型。

要证明的是后半句，所以实验必须排除“模型不够强”和“步骤写得不好”这两种解释。

## 逆向推导出的设计

- **模型用最强的。** 执行者是 gpt-6.1-sol（ChatGPT 订阅 OAuth，走 Codex Responses 接口），同一个模型、同一套工具、同一个文件夹，两种表述只差提示词。
- **步骤也让最强的模型来写。** 过程式那一组的步骤清单由 gpt-6.1-sol 在开工前写：它看得到任务、全部目标和文件夹里的文件清单，但还没有听过录音。执行者只拿到任务和步骤，被告知“完成这些步骤即算完成”。这样没人能说是步骤写得差。
- **难度分两档。** 简单档是一条备忘录，事先完全列得出步骤，预期两种表述都能做好，用来说明过程式不是错的，只是有适用范围。复杂档是一场约五十分钟的会议录音，带着两种事先想不到、而且不会报错的情况（见下）。
- **意外必须是“静默”的。** 会报错的意外（格式不支持、接口超时），按步骤执行的人也会顺手修好，区分不出两种表述。只有不报错、悄悄出错的情况，才需要对照终点才能发现。这两种情况都先用试点在真实接口上确认过（`pilot/`）：
  - **电话接入的参会者。** 蔺思远出差，用电话接入，他的声音是窄带、音量小的电话音质。夹在正常录音里时，Grok 转写接口会把他那几段整个丢掉，不报错；单独转写同一段音频则完全正常。
  - **两个录音文件有重叠。** 录音笔中途没电，换手机接着录，两个文件重叠约四十秒。直接拼接会重复，第二个文件的时间戳也会从零开始。
  - 在中文会议上核实过：整段转写丢掉蔺思远 8 段里的 4 段；切成 10 分钟或 5 分钟一段再转，讲 KV cache 数字的那一段每次都丢。单独截出这一段再转，就能完整转出来。
  - 英文版的电话音量要更小才会出现同样的丢段：中文用原音量的 0.12 倍，英文的 0.12 倍只丢 1 段，所以英文改成 0.06 倍（丢 4 到 5 段，单独截出、做响度归一后仍能完整转出）。两种语言要复现的是同一个现象，不是同一个参数。
  - 试点排除掉的：静音段（Grok 不会凭空编字）、整段五十分钟的长文件（一次就能完整转完）、长录音中的英文段（能正常保留）。
- **人名和术语。** 两组都拿到同一份 `names.md`，这不是区分两组的变量，只作为一条验收标准。

## 条件

| 条件 | 提示词 |
|---|---|
| 过程式 | 任务一句话 + 规划者写的步骤 + “请严格按步骤完成，完成所有步骤即算完成” |
| 结果式 | 任务一句话 + 验收标准 + “这几条全部满足，任务才算完成；怎么做由你决定，交付前请确认每一条确实满足” |

两档 × 两种表述 × 3 次。过程式每次用一份独立生成的步骤清单。先做中文，再做英文。

## 复杂档的验收标准（结果式原文，也是规划者看到的目标）

1. 录音里每一段有人说话的地方，逐字稿里都有对应的文字，不能漏。
2. 同一段话不能重复出现。
3. 每段文字前标 `[时:分:秒]` 时间戳，时间是它在整场会议里的位置（从第一个录音文件开头算起），误差不超过 10 秒。
4. `names.md` 里的人名和术语写法正确。
5. 逐字转写，不总结、不改写、不删内容。

## 打分（用台词真值，执行者看不到）

- **覆盖：** 每句台词在逐字稿里找到对应文字（字符相似度达到阈值）算覆盖。分别报告全部台词和电话参会者的台词。
- **重复：** 重叠区的台词出现两次以上的条数。
- **时间戳：** 每句被覆盖的台词，逐字稿标的时间与真实时间之差；报告第二个文件里的台词误差中位数。
- **人名和术语：** 台词里出现的人名和术语，逐字稿里写对的比例。
- **过程记录：** 规划者的步骤里有没有核对环节；执行者有没有发现丢段和重叠；有没有宣布完成但标准没满足。

## 理想结论与其他可能

- **理想：** 复杂档里，过程式的步骤都执行到位，但电话参会者的内容没了、重叠区重复了；结果式自己检查发现缺口，单独处理那几段，把标准全部满足。简单档两种都通过。
- **如果过程式也成功了：** 先看规划者是不是写了“对照目标核对”的步骤。如果是，结论要改写成“好的步骤清单里本来就嵌着结果检查”，这仍然支持结果式，但要如实写。如果没有核对步骤也成功了，论点不成立，按结果重写这一节。
- **如果结果式也失败：** 看它是没发现问题，还是发现了修不好。前者说明验收标准写得不可检查，后者是能力问题，都要如实报告。

## 安全与隐私

- 执行者的每条命令都在 macOS `sandbox-exec` 里运行：只能写工作文件夹和临时目录，读不到 `experiments/` 目录（台词真值在这里）和本机凭据。
- `AI_BUILDER_TOKEN` 只通过环境变量传入；日志和返回给模型的输出里，key 的值一律替换成 `<redacted>`。
- 公开实验目录前，扫一遍邮箱、key 和本机路径。